利用matlab仿真的bp-ann分类器设计.pdf资源-CSDN文库

版权申诉

150 浏览量 2021-11-19 12:52:21 上传评论收藏 945KB PDF 举报

资源推荐

资源详情

资源评论

BP-ANN 分类器设计

1.引言

从深层意义上看，模式识别和人工智能本质都是在解决如何让用机器模拟人脑认知的过

程。一方面，从需要实现的功能出发，我们可以将目标分解为子功能，采用自定而下的的分

解法实现我们需要的拟合算法。而另一方面，无论人脑多么复杂，人类的认知过程都可以认

为若干个神经元组成的神经网络在一定机制下经由复杂映射产生的结果。从神经元的基本功

能出发，采用自下而上的设计方法，从简单到复杂，也是实现拟合算法的一条高效途径。

1.1 什么是人工神经网络

人工神经网络（Artificial Neural Network，ANN）是一种应用类似于大脑神经突触联

接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为神经网络或类神经网

络。神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点

代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都

代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络

的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然

界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。

人工神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统。它是在现代

神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行

信息处理。人工神经网络具有四个基本特征：

（1）非线性非线性关系是自然界的普遍特性。大脑的智慧就是一种非线性现象。人工

神经元处于激活或抑制二种不同的状态，这种行为在数学上表现为一种非线性关系。具有阈

值的神经元构成的网络具有更好的性能，可以提高容错性和存储容量。

（2）非局限性一个神经网络通常由多个神经元广泛连接而成。一个系统的整体行为不

仅取决于单个神经元的特征，而且可能主要由单元之间的相互作用、相互连接所决定。通过

单元之间的大量连接模拟大脑的非局限性。联想记忆是非局限性的典型例子。

（3）非常定性人工神经网络具有自适应、自组织、自学习能力。神经网络不但处理的

信息可以有各种变化，而且在处理信息的同时，非线性动力系统本身也在不断变化。经常采

用迭代过程描写动力系统的演化过程。

（4）非凸性一个系统的演化方向，在一定条件下将取决于某个特定的状态函数。例如

能量函数，它的极值相应于系统比较稳定的状态。非凸性是指这种函数有多个极值，故系统

具有多个较稳定的平衡态，这将导致系统演化的多样性。

1.2 BP-ANN 的优缺点

BP-ANN 的优点，主要表现在三个方面：

第一，具有自学习功能。网络能通过学习带正确答案的实例集自动提取“合理的”求解

规则，即具有自学习能力。自学习功能对于预测有特别重要的意义。预期未来的人工神经网

络计算机将为人类提供经济预测、市场预测、效益预测，其应用前途是很远大的。例如实现

图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络

就会通过自学习功能，慢慢学会识别类似的图像。

第二，具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。

第三，具有拟合任何网络的的能力。网络实质上实现了一个从输入到输出的映射功能，

而数学理论已证明它具有实现任何复杂非线性映射的功能。这使得它特别适合于求解内部机

。

BP-ANN 的缺点，主要表现在以下几个方面：

第一，BP-ANN 算法的学习速度很慢。由于 BP-ANN 算法本质上为梯度下降法，而它所要

优化的目标函数又非常复杂，因此，必然会出现“锯齿形现象”，这使得 BP-ANN 算法低效；

其次由于存在麻痹现象，由于优化的目标函数很复杂，它必然会在神经元输出接近 0 或 1

的情况下，出现一些平坦区，在这些区域内，权值误差改变很小，使训练过程几乎停顿；另

外，为了使网络执行 BP-ANN 算法，不能用传统的一维搜索法求每次迭代的步长，而必须把

步长的更新规则预先赋予网络，这种方法将引起算法低效。

第二，网络训练失败的可能性较大。从数学角度看，BP-ANN 算法为一种局部搜索的优

化方法，但它要解决的问题为求解复杂非线性函数的全局极值，因此，算法很有可能陷入局

部极值，使训练失败；网络的逼近、推广能力同学习样本的典型性密切相关，而从问题中选

取典型样本实例组成训练集是一个很困难的问题。

第三，难以解决应用问题的实例规模和网络规模间的矛盾。这涉及到网络容量的可能性

与可行性的关系问题，即学习复杂性问题；

第四，网络结构的选择尚无一种统一而完整的理论指导，一般只能由经验选定。为此，

有人称神经网络的结构选择为一种艺术。而网络的结构直接影响网络的逼近能力及推广性

质。因此，应用中如何选择合适的网络结构是一个重要的问题；

第五，新加入的样本要影响已学习成功的网络，而且刻画每个输入样本的特征的数目也

必须相同。

第六，BP-ANN 网络的预测能力(泛化能力)与训练能力(逼近能力、学习能力)的矛盾。

一般情况下，训练能力差时，预测能力也差，并且一定程度上，随训练能力地提高，预测能

力也提高。但这种趋势有一个极限，当达到此极限时，随训练能力的提高，预测能力反而下

降，即出现所谓“过拟合”现象。此时，网络学习了过多的样本细节，而不能反映样本内含

的规律。

1.3 人工神经网络当前的研究热点

神经网络与遗传算法的结合

这主要体现在以下几个方面：网络连接权重的进化训练；网络结构的进化计算；网络结

构和连接权重的同时进化；训练算法的进化设计。基于进化计算的神经网络设计和实现已在

众多领域得到应用，如模式识别、机器人控制、财政等，并取得了较传统神经网络更好的性

能和结果。但从总体上看，这方面研究还处于初期阶段，理论方法有待于完善规范，应用研

究有待于加强提高。神经网络与进化算法相结合的其他方式也有待于进一步研究和挖掘。

2.神经网络与灰色系统的结合

灰色系统理论是一门极有生命力的系统科学理论。自 1982 年华中理工大学的邓聚龙教

授提出灰色系统后迅速发展，以初步形成以灰色关联空间为基础的分析体系，以灰色模型为

主体的模型体系，以灰色过程及其生存空间为基础与内的方法体系，以系统分析、建模、预

测、决策、控制、评估为纲的技术体系。目前，国内外对灰色系统的理论和应用研究已经广

泛开展，受到学者的普遍关注。灰色系统理论在在处理不确定性问题上有其独到之处，并能

以系统的离散时序建立连续的时间模型，适合于解决无法用传统数字精确描述的复杂系统问

题。

神经网络与灰色系统的结合方式有：神经网络与灰色系统简单结合；串联型结合；用神

经网络增强灰色系统；用灰色网络辅助构造神经网络；神经网络与灰色系统的完全融合。

剩余18页未读，继续阅读

评论收藏

内容反馈

版权申诉

苦茶子12138

粉丝: 1w+
资源: 6万+

利用matlab仿真的bp-ann分类器设计.pdf

利用matlab仿真的BP-ANN分类器设计.pdf

利用matlab仿真的bp-ann分类器设计 (2).pdf

利用matlab仿真的BP-ANN分类器设计（精）.doc

基于MATLAB的语音信号处理系统设计(程序+仿真图)--毕业设计.pdf

滑模变结构控制MATLAB仿真--刘金琨-2005.pdf

基于matlab的M-QAM通信系统的仿真.pdf

Design of ANN-BP Classifier in MATLAB.zip_ANN_ANN-BP分类器设计_ANN分类_

OFDM-MATLAB仿真含程序.pdf

基于MATLAB的TD-SCDMA调制解调仿真.pdf

基于MATLAB的数字基带传输系统的仿真-课程设计.pdf

基于MATLAB的π_4-DQPSK设计与仿真.pdf

基于matlab的M-QAM通信系统仿真.pdf

深度剖析MATLAB信号处理仿真-基带脉冲成形.pdf

基于MATLAB的BP神经网络反演水质参数.pdf

推荐过程控制工程及仿真基于MATLABSimulink-光盘程序.rar

Cobalt Strike下载

北京邮电大学计算机考研复试笔试资料

计算机系统-笔记-HUN2021级

cs1.6老版本供下载

合成孔径雷达的经典成像算法cs(matlab)仿真代码（吐血整理，内容全，注释全）

港大CS（MSC）面试整理

合成孔径雷达RD CS OmegaK算法点目标仿真.rar

计算机科学导论原书第二版答案.zip

Cobalt-Strike-4.5

cobaltstrike4.3.zip

在dataGridView的列中出现日历选择控件的类型

541118 深入理解计算机系统（原书第三版）课程ppt

最新资源